[发明专利]基于粗粒度时频特征与多层融合学习的人体行为识别方法

说明书

本发明涉及基于粗粒度时频特征与多层级融合学习的人体行为识别方法，一种基于粗粒度时频特征与多层级融合学习的人体行为识别方法，包括以下步骤：步骤S1：搭建基于粗粒度信号的被动式人体行为识别系统；步骤S2：采集人体不同行为下的粗粒度信号数据；步骤S3：进行样本集构造与信号预处理；步骤S4：构造基于粗粒度信号的人体行为浅层特征向量；步骤S5：构建深度学习模型；步骤S6：构建集成学习模型；步骤S7：利用传感信号序列实现行为的识别；本发明能够丰富被动式人体行为识别的技术手段和提升基于粗粒度信号的相近行为间的识别准确率。

技术领域

本发明涉及人体行为识别技术领域，特别是一种基于粗粒度时频特征与多层融合学习的人体行为识别方法。

背景技术

近年来，物联网技术与人工智能的高速发展促进了人与物、物与物之间的相互“沟通”，极大的改善了人类的生活方式。人体行为识别(Human Behavior Recognition,HBR)技术作为物联网智能化的研究热点之一，可为智能化和人性化人机交互服务的实现提供技术支撑，在智能家居、智能保健、助老助残等方面具有广阔的应用前景。例如，在智能保健方面，人们长时间静坐于电脑前会使人处于亚健康状态，通过对这种行为的识别，可为其健康状况提供预警。在人体行为识别技术领域，常用的技术主要分为基于视觉、基于可穿戴传感以及基于无线技术的人体行为识别三个方向。相比于基于视觉和基于可穿戴传感的方法，基于无线技术的人体行为识别方法具有保护隐私、无需使用者携带设备等优势。WiFi作为无线信号的一种，随着WiFi的广泛普及，利用WiFi进行人体行为的识别具有硬件成本低、消耗功率较小等优势。在基于WiFi人体行为识别方法中，可采用的信号主要分为信道状态信息(Channel State Information，CSI)和接收信号强度指示(Receive Signal StrengthIndication,RSSI)。CSI来自OFDM系统下解码的子载波，是一种细粒度的物理信息(属于PHY层)，采用CSI具有较高的人体行为识别精度，然而支持CSI提取的无线网卡仅有少数几款。RSSI是对接收端无线电信号功率的测量，是一种粗粒度信息(属于MAC层)，相比于CSI，RSSI可从几乎所有的WiFi中测量得到。

采用WiFi信号的时频特征进行被动式的人体行为识别，硬件实现方式较为简单、造价成本低、具有广阔的应用前景。传统的基于WiFi信号的人体行为识别方法，特别是采用粗粒度信号，往往对于一些具有相近模式的行为难以实现较高精度的识别。

发明内容

有鉴于此，本发明的目的是提供一种基于粗粒度时频特征与多层融合学习的人体行为识别方法，弥补了传统技术的不足，该方法采用深度门控循环网络对WiFi粗粒度信号的时域频域特征进行二次特征提取，相比于浅层特征，深度学习特征对行为的表征更强。并在此基础上，使用集成学习算法对深度特征进行分类预测，提升相近行为间的识别准确率。

本发明采用以下方案实现：一种基于粗粒度时频特征与多层融合学习的人体行为识别方法，包括以下步骤：

步骤S1：搭建基于粗粒度信号的被动式人体行为识别传感系统；

步骤S2：采集人体不同行为下的粗粒度信号数据；

步骤S3：进行样本集构造与信号预处理；

步骤S4：构造基于粗粒度信号的人体行为浅层特征向量；

步骤S5：构建深度学习模型；

步骤S6：构建集成学习模型；

步骤S7：利用传感信号序列实现行为的识别。